故障检测方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了故障检测方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为深度学习、工业大数据技术领域。具体实现方案为：获取与目标故障关联的待检测数据；采用经过训练的至少两个检测模型分别对所述待检测数据进行故障检测，以得到各所述检测模型对应的第一检测结果；对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果；根据所述第一目标融合结果，确定是否存在所述目标故障。由此，提高了故障检测的准确性和时效性，减少了人力成本。减少了人力成本。减少了人力成本。

【技术实现步骤摘要】
故障检测方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，具体为深度学习、工业大数据
，尤其涉及故障检测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，为了保证设备的稳定运行，经常需要检测设备中各组件是否发生故障。以飞行器的空气调节系统为例，空气调节系统能够对飞行器的座舱增压、调节温度和湿度，是保证客舱舒适度的关键系统，与此同时，该系统易受外界环境的影响而出现故障。其中，空气调节组件作为制冷控温的核心部件，其性能情况会直接影响到整个空气调节系统和飞行器的运行可靠性，因此，及时、准确地对空气调节组件进行相关故障检测，是一项非常必要的工作。

技术实现思路

[0003]本公开提供了一种故障检测方法、装置、电子设备及存储介质。
[0004]根据本公开的一方面，提供了一种故障检测方法，包括：获取与目标故障关联的待检测数据；采用经过训练的至少两个检测模型分别对所述待检测数据进行故障检测，以得到各所述检测模型对应的第一检测结果；对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果；根据所述第一目标融合结果，确定是否存在所述目标故障。
[0005]根据本公开的另一方面，提供了一种用于故障检测的检测模型的训练方法，包括：获取与目标故障关联的第一样本数据和第二样本数据；采用所述第一样本数据对至少两个检测模型进行单独训练，以得到经过预训练的所述至少两个检测模型；采用经过预训练的所述至少两个检测模型，分别对所述第二样本数据进行故障检测，以得到各所述检测模型对应的第二检测结果；对各所述检测模型对应的第二检测结果进行融合处理，以得到第二目标融合结果；在所述第二目标融合结果的准确度小于或等于预设第二阈值时，采用所述第一样本数据，重新对经过预训练的所述至少两个检测模型进行单独训练，直至所述第二目标融合结果的准确度大于所述预设第二阈值，得到经过训练的所述至少两个检测模型。
[0006]根据本公开的另一方面，提供了一种故障检测装置，包括：第一获取模块，用于获取与目标故障关联的待检测数据；第一检测模块，用于采用经过训练的至少两个检测模型分别对所述待检测数据进行故障检测，以得到各所述检测模型对应的第一检测结果；第一融合模块，用于对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果；确定模块，用于根据所述第一目标融合结果，确定是否存在所述目标故障。
[0007]根据本公开的另一方面，提供了一种用于故障检测的检测模型的训练装置，包括：第二获取模块，用于获取与目标故障关联的第一样本数据和第二样本数据；训练模块，用于采用所述第一样本数据对至少两个检测模型进行单独训练，以得到经过预训练的所述至少两个检测模型；第二检测模块，用于采用经过预训练的所述至少两个检测模型，分别对所述
第二样本数据进行故障检测，以得到各所述检测模型对应的第二检测结果；第二融合模块，用于对各所述检测模型对应的第二检测结果进行融合处理，以得到第二目标融合结果；处理模块，用于在所述第二目标融合结果的准确度小于或等于预设第二阈值时，采用所述第一样本数据，重新对经过预训练的所述至少两个检测模型进行单独训练，直至所述第二目标融合结果的准确度大于所述预设第二阈值，得到经过训练的所述至少两个检测模型。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的故障检测方法，或者如第二方面所述的用于故障检测的检测模型的训练方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的故障检测方法，或者如第二方面所述的用于故障检测的检测模型的训练方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的故障检测方法的步骤，或者如第二方面所述的用于故障检测的检测模型的训练方法的步骤。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开第一实施例的故障检测方法的流程示意图；
[0014]图2是根据本公开第二实施例的故障检测方法的流程示意图；
[0015]图3是根据本公开第三实施例的用于故障检测的检测模型的训练方法的流程示意图；
[0016]图4是根据本公开第四实施例的用于故障检测的检测模型的训练方法的流程示意图；
[0017]图5是根据本公开第五实施例的故障检测装置的结构示意图；
[0018]图6是根据本公开第六实施例的故障检测装置的结构示意图；
[0019]图7是根据本公开第七实施例的用于故障检测的检测模型的训练装置的结构示意图；
[0020]图8是用来实现本公开实施例的故障检测方法或用于故障检测的检测模型的训练方法的电子设备的框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0022]本公开涉及人工智能
，具体涉及深度学习、工业大数据

[0023]以下对本公开的方案涉及的
进行简要说明：
[0024]AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0025]DL(Deep Learning，深度学习)，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障检测方法，包括：获取与目标故障关联的待检测数据；采用经过训练的至少两个检测模型分别对所述待检测数据进行故障检测，以得到各所述检测模型对应的第一检测结果；对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果；根据所述第一目标融合结果，确定是否存在所述目标故障。2.根据权利要求1所述的方法，其中，所述第一检测结果，为指示存在所述目标故障的概率大小的分值；所述对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果，包括：对各所述检测模型对应的所述分值进行加权平均，以得到作为所述第一目标融合结果的第一目标融合分值。3.根据权利要求2所述的方法，其中，所述根据所述第一目标融合结果，确定是否存在所述目标故障，包括：将所述第一目标融合分值与预设第一阈值进行比较；在所述第一目标融合分值大于所述预设第一阈值时，确定存在所述目标故障；在所述第一目标融合分值小于或等于所述预设第一阈值时，确定不存在所述目标故障。4.根据权利要求1
‑
3任一项所述的方法，其中，所述待检测数据，包括：在多个第一采样时间点上，针对至少一个关键变量采集的原始数据，以及根据所述原始数据构建的统计特征数据；其中，所述统计特征数据，包括针对每个所述关键变量，在所述多个第一采样时间点上所采集的原始数据的特征值数据。5.根据权利要求4所述的方法，其中，所述目标故障为飞行器中空气调节组件的流量偏低故障；所述关键变量包括以下变量中的至少一个：所述飞行器的巡航阶段、所述飞行器的飞行高度、外界环境的温度、外界环境的湿度、空气调节系统的压气机的出口温度、所述空气调节组件的出口温度、所述空气调节系统的旁通活门开度。6.一种用于故障检测的检测模型的训练方法，包括：获取与目标故障关联的第一样本数据和第二样本数据；采用所述第一样本数据对至少两个检测模型进行单独训练，以得到经过预训练的所述至少两个检测模型；采用经过预训练的所述至少两个检测模型，分别对所述第二样本数据进行故障检测，以得到各所述检测模型对应的第二检测结果；对各所述检测模型对应的第二检测结果进行融合处理，以得到第二目标融合结果；在所述第二目标融合结果的准确度小于或等于预设第二阈值时，采用所述第一样本数据，重新对经过预训练的所述至少两个检测模型进行单独训练，直至所述第二目标融合结果的准确度大于所述预设第二阈值，得到经过训练的所述至少两个检测模型。7.根据权利要求6所述的方法，其中，所述第一样本数据或所述第二样本数据，包括：在
多个第二采样时间点上，针对至少一个关键变量采集的样本原始数据，以及根据所述样本原始数据构建的样本统计特征数据；其中，所述样本统计特征数据，包括针对每个所述关键变量，在所述多个第二采样时间点上所采集的样本原始数据的特征值数据。8.一种故障检测装置，包括：第一获取模块，用于获取与目标故障关联的待检测数据；第一检测模块，用于采用经过训练的至少两个检测模型分别对所述待检测数据进行故障检测，以得到各所述检测模型对应的第一检测结果；第一融合模块，用于对各所述检测模型对应的第一检测结果进行融合处理，以得到第一目标融合结果；确定模块，用于根据所述第一目标融合结果，确定是否存在所述目标故障。9.根据权利要求8所述的装置，其中，所述第一检测结果，为指示存在所述目标故障的概率大小的分值；所述第一融合模...

【专利技术属性】
技术研发人员：王栋，杨敬，田伦，杨胜文，何佳，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：